Optimal Market Making in the Presence of Latency
本文研究了存在延迟时大报价资产的最优做市问题。我们考虑了一个随机游走的资产价格模型，并制定了市场庄家的优化问题，使用马尔可夫决策过程（MDP）。我们刻画了一个订单的价值，并证明了它在MDP模型中起着单期报酬的作用。基于这一特征，我们提供了明确的标准，评估做市的盈利能力时，有延迟。在我们的模型下，我们表明，做市商可以赚取一个积极的预期利润，如果有足够的不知情的市价订单击中做市商的限价订单的价格跳跃率相比，和交易时间跨度足够长。此外，我们的理论和数值结果表明，延迟可能是一个额外的风险来源，延迟会对做市商的表现产生负面影响。
2020-03-17 q-fin.TR
Over-the-Counter Market Making via Reinforcement Learning
本文利用强化学习解决场外市场做市中的高维随机控制问题，证明最优买卖价差服从高斯分布，并通过数值分析揭示收益分布与价差特征。
2023-07-04 q-fin.TR
Automated Liquidity Provision and the Demise of Traditional Market Making
传统的做市商正在失去其重要性，因为自动化系统在很大程度上承担了市场中提供流动性供给的角色。我们更新了Glosten和Milgrom（1985）的模型来分析这个新的世界：我们添加了多个证券，并引入了一个自动做市商，它使用证券之间的关系来为订单流定价。这种新的自动化参与者处理大多数订单，设置更有效的价格，并增加知情交易者的交易成本，减少不知情交易者的交易成本。这些结果可以解释最近高频交易在美国市场的主导地位，以及美国股票交易量的相应增加和交易成本的降低。
2010-07-14 q-fin.TR
Market Making under a Weakly Consistent Limit Order Book Model
我们开发了一种新的做市模式，从头开始，这是专为高频交易下的限价订单簿（LOB），根据众所周知的分类订单类型在市场微观结构。我们灵活的框架允许任意订单量、价格跳跃和买卖价差分布以及使用市价订单。它还尊重不同订单类型到达时价格变动的一致性。例如，很明显，价格永远不应该下跌购买市价订单。此外，它还尊重LOB的价格-时间优先级。与经典的Avellaneda和Stoikov [1]做市框架中的常规控制扩散方法相比，我们利用标记点过程的最优切换和脉冲控制技术，这些技术已被证明在建模订单特征方面非常有效。与控制问题相关的Hamilton-Jacobi-Bellman拟变分不等式（HJBQVI）可以通过有限差分法数值求解。我们用一个完整的数值分析来说明我们的最优交易策略，并校准到一个流行的交易所交易基金（ETF）的订单簿统计数据。我们的模拟表明，做市的利润可以严重夸大下LOB与不一致的价格走势。
2020-01-30 q-fin.TR
Deep Reinforcement Learning in Cryptocurrency Market Making
本文阐述了一个应用于加密货币做市（DRLMM）的深度强化学习框架。两个先进的基于策略梯度的算法被选为代理人与环境，代表观察空间通过限价订单簿数据，和订单流到达统计。在实验中，前馈神经网络被用作函数逼近器，并比较了两个奖励函数。代理人和奖励功能的每个组合的性能通过每日和平均交易回报来评估。使用DRLMM框架，本文展示了深度强化学习在解决做市商面临的随机库存控制挑战方面的有效性。
2019-11-20 q-fin.TR
Algorithmic market making in dealer markets with hedging and market impact
在交易商市场中，交易商提供他们同意买卖其范围内资产和证券的价格。随着交易量的不断增加，在大多数市场（如外汇市场或公司债券市场）中，这种报价任务必须通过算法完成。在过去的十年里，许多数学模型已经被设计出来，可以作为经销商市场报价算法的基础。然而，在大多数（如果不是全部）模型中，经销商是一个纯粹的内部化者，设置报价并等待客户。然而，在许多经销商市场上，经销商也可以进入经销商间市场，甚至是公共交易场所，在那里他们可以对冲部分库存。在本文中，我们提出了一个模型，考虑到这种可能性，因此允许经销商外部化他们的风险的一部分。该模型显示了一个重要的特点，众所周知的从业人员，在一定的库存范围内，经销商通过适当调整报价，并开始外部化的范围外的流动。特许经营权越大，适用于纯内部化的库存范围就越宽。该模型的数值说明与现实参数的USDCNH现货市场。
2022-12-11 q-fin.TR
Uncertainty relations in models of market microstructure
本文提出了一个新的相互作用粒子系统，并将其作为金融市场微观结构的自旋模型。这个随机过程的渐近分析表现出一个下界的价格和交易量的同期测量下的不变测度在“冻结”阶段的超临界政权。
2005-02-10 math.PR q-fin.TR
Extending Deep Reinforcement Learning Frameworks in Cryptocurrency Market Making
最近，人们对将人工智能应用于自动交易的兴趣激增。强化学习已被应用于单一和多工具用例，例如做市或投资组合管理。本文提出了一种新的方法，通过引入基于事件的环境来将加密货币做市作为强化学习挑战，其中事件被定义为价格变化大于或小于给定阈值，而不是基于时间或基于时间的事件（例如，每一分钟、每一小时、每一天等等）。两个基于策略的代理被训练使用8天的训练数据学习做市交易策略，并使用30天的测试数据评估其性能。从Bitmex交易所记录的限价订单簿数据被用来验证这种方法，当使用一个简单的多层感知器神经网络进行函数逼近和七个不同的奖励函数时，与基于时间的方法相比，这两个代理都证明了利润和稳定性的提高。
2020-04-15 q-fin.TR
Optimal market making
做市商为其他市场参与者提供流动性：他们提出价格，随时准备购买和出售各种资产。他们面临着一个复杂的优化问题，静态和动态组件。他们确实需要以最佳方式提出买入价和卖价，以便从这两个价格之间的差异（他们的买卖价差）中赚钱。由于他们很少同时买入和卖出，因此持有多头和/或空头库存，他们还需要降低与价格变化相关的风险，并随后动态地扭曲他们的报价。在本文中，（i）我们提出了一个通用的建模框架，（和调和）自Avellaneda和Stoikov的开创性论文“高频交易in a限价订单簿“发表以来，文献中提出的各种建模方法，（ii）我们证明了关于最优做市策略的存在性和特征的新的一般性结果，（iii）我们获得了最优报价的新的封闭形式近似，（iv）我们将建模框架扩展到多资产做市做市的情况，并且我们获得了多资产做市商的最优报价的一般封闭形式近似，以及（v）我们展示了如何在两个信用指数的特定（和原始）情况下在实践中使用该模型。
2017-05-06 q-fin.TR
Optimal make-take fees for market making regulation
我们考虑的交易所希望设定合适的买入-卖出费用，以吸引其平台上的流动性。使用委托代理的方法，我们能够描述在准明确的形式，最优的合同，提出一个做市商。该合约基本上取决于做市商库存轨迹和资产的波动性。我们还提供做市商应显示的最佳报价。我们的公式的简单性使我们能够详细分析与交易所相比，没有合同的情况下，最优合同的影响。我们特别指出，它为投资者带来了更高质量的流动性和更低的交易成本。
2019-11-25 q-fin.TR
Market Making with Stochastic Liquidity Demand: Simultaneous Order Arrival and Price Change Forecasts
本文给出了离散时间限价订单簿（LOB）中最优做市策略的一个显式刻画。在我们的模型中，在每一个时期的成交订单的数量线性依赖于基本价格和做市商的限价订单报价之间的距离，具有随机的斜率和截距系数。高频做市商（HFM）因线性价格冲击而产生日终清算成本。最优配置策略以一种新颖而简约的方式结合了对资产基本价格未来变化的预测。我们发现，在需求斜率的随机性降低了库存管理的动机，和需求斜率和投资者的保留价格之间的正相关性导致更广泛的传播。我们的分析表明，买入和卖出市价订单的同时到达（i）降低了库存的影子成本，（ii）导致HFM降低价格压力，以执行更大的流量，（iii）在日内动态的买卖价差中引入了非线性模式。我们的实证研究表明，做市策略优于那些忽略随机性的需求，同时到达的买入和卖出市价订单，和本地漂移的基本价格。
2021-01-08 q-fin.TR
High-frequency market-making for multi-dimensional Markov processes
在本文中，我们完成和扩展我们以前的工作，随机控制应用于高频做市与库存约束和方向性赌注。我们的新模型允许几个状态变量（例如，市场价差，随机波动率和强度的市价订单）提供了完整的系统是马尔可夫。在零库存风险的情况下，相应的哈密顿-雅可比-贝尔曼方程的解是精确的.库存风险以两种方式发挥作用：基于波动性的路径依赖性惩罚和基于市场价差的到期惩罚。我们进行摄动方法的库存风险参数，并获得明确的解决方案和控制的一阶。我们还包括交易成本，我们表明，做市商的价差扩大，以补偿交易成本，但每交易价差的预期收益保持不变。我们进行了几个数值模拟，以评估PNL上的参数的效果，特别是如何的方向性赌注和库存风险改变的PNL密度的形状。最后，我们将我们的结果扩展到多资产做市策略的情况下，我们表明，正确的概念的库存风险是（多维）库存的L2-范数的库存处罚。
2013-04-02 q-fin.TR
Multi-Level Market Making with Reinforcement Learning
ETH Zurich（苏黎世联邦理工学院）
该研究提出一种强化学习做市框架，通过多元逻辑正态分布建模订单分配、深度集编码器聚合特征、势能奖励塑形加速学习，在含三类交易者的模拟市场中验证了其性能。
2026-08-20 q-fin.TR
FX Market Making with Internal Liquidity
本文研究了外汇市场中做市商在内部流动性池中的最优多目标策略，探讨了流动性管理与市场条件、风险承受能力及算法之间的关系。
2025-12-04 q-fin.TR
High Frequency Market Making
自1998年获得美国证券交易委员会授权以来，电子交易所蓬勃发展，到2010年，高频交易占美国股票交易的70%以上。由于做市商的存在，这些市场被认为增加了流动性，做市商愿意在任何时候作为交易对手进行交易，以换取一笔费用，即买卖价差。在本文中，我们提出了一个均衡模型，显示这样的做市商如何提供流动性。该模型依赖于客户交易的密码本，即隐含的alpha。在解决了单个客户的优化问题，并确定其隐含的阿尔法，我们框架的做市商随机优化问题作为一个随机控制问题的无限维控制变量。假设所有客户的时间范围相同，或随机偏微分方程模型，他们的信念，我们解决了做市商问题，并推导出易于处理的公式的最优策略和由此产生的限价订单簿动态。
2012-10-21 q-fin.TR
"Market making" behaviour in an order book model and its impact on the bid-ask spread
有人建议，标记点过程可能是金融高频数据建模的良好候选者。一类特殊的点过程，霍克斯过程，一直是金融界各种研究的主题。在本文中，我们建议加强基本的零智能订单簿模拟器的到达时间限制和市价订单以下相互（不对称）令人兴奋的霍克斯过程。建模是基于我们在几个市场（股票，债券期货，指数期货）上验证的订单之间的时间间隔的经验观察。我们表明，这个简单的功能，使一个更现实的治疗的买卖价差的模拟订单簿。
2010-06-04 q-fin.TR
Optimal Execution Strategies Incorporating Internal Liquidity Through Market Making
本文扩展 Cartea 等算法执行框架，构建整合银行间订单与做市内部流动性的模型，通过区分市场冲击来优化流动性配置并提升执行效率。
2025-05-15 math.PR q-fin.TR
Robustness in Sequential Decision Making under Evolving Uncertainty: Evidence from High-Frequency Market Making
National University of Singapore（新加坡国立大学）；Grasshopper Asset Management Pte Ltd（蚱蜢资产管理有限公司）；NUS (Chongqing) Research Institute（新加坡国立大学（重庆）研究院）；Tsinghua University（清华大学）
研究高频金融市场中不断演变的不确定性下顺序决策，指出稳健性有不确定性容忍度和行动稳健性两个维度，通过模拟和实证表明行动稳健性影响更大，过度稳健性在流动性不足市场会降低盈利能力。
2026-07-10 q-fin.MF q-fin.RM q-fin.TR
Closed-form approximations in multi-asset market making
很大一部分的做市模型都是从Avellaneda和Stoikov的开创性模型中衍生出来的。当资产数量很大时，这些模型中的价值函数和最优报价的数值近似仍然是一个挑战。在这篇文章中，我们提出了许多多资产扩展的Avellaneda-Stoikov模型的价值函数的封闭形式近似。这些近似或代理可以（i）用作启发式评估函数，（ii）用作强化学习算法中的初始值函数，和/或（iii）通过贪婪方法直接设计引用策略。关于后者，我们的研究结果导致新的和易于解释的封闭形式的近似的最佳报价，无论是在有限地平线的情况下，在渐近（遍历）制度。
2022-09-26 q-fin.TR
Assessing market uncertainty by means of a time-varying intermittency parameter for asset price fluctuations
应用于高频数据的最大似然估计使我们能够量化资产价格波动的不稳定性。从短至一个月的时间记录中，这些方法允许提取表征资产价格波动率聚集程度的有意义的波动率参数λ。因此，我们可以研究波动率聚集的时间演化，并测试这种变化的统计意义。通过分析奥斯陆证券交易所的数据，并将结果与投资级价差进行比较，我们发现，在市场高度不确定的情况下，λ的估计值较低。
2012-02-22 q-fin.ST q-fin.TR
Dealing with the Inventory Risk. A solution to the market making problem
做市商不断地为他们所考虑的股票设定买入和卖出报价。因此，他们面临着一个复杂的优化问题，在这个问题中，他们的回报（基于他们报价的买卖价差和他们确实提供流动性的频率）受到他们因库存而承担的价格风险的挑战。在本文中，我们考虑一个随机控制问题，类似于一个由何和Stoll介绍和形式化的数学Avellaneda和Stoikov。市场模型使用一个参考价格$S_t$遵循布朗运动与标准偏差$σ$，购买或出售的流动性消耗订单的到达率取决于距离参考价格$S_t$和做市商最大化的期望效用的P&L在有限的时间范围内。我们表明，哈密顿-雅可比-贝尔曼方程的随机最优控制问题可以转化为一个系统的线性常微分方程，我们解决了做市问题的库存约束。我们还阐明了最优报价的渐近行为，并提出了基于最优报价的谱表征的封闭形式的近似。
2012-08-03 q-fin.TR
Optimal Execution of Limit and Market Orders with Trade Director, Speed Limiter, and Fill Uncertainty
本文研究了具有永久性和暂时性价格影响的市价单和限价订单的最优执行问题，以及在限价订单成交时的不确定性问题。我们的连续时间模型结合了一个交易速度限制器和一个交易员董事，以提供更好的控制交易率。我们制定了一个随机控制问题，以确定最佳的动态策略的贸易执行，与二次终端罚款，以确保完全清算。此外，我们确定的模型参数的条件，以确保最优的控制和有限的相关值函数。为了比较，我们还解决了时间表遵循最优执行问题，惩罚订单时间表的偏差。数值结果说明了最优市价和限价订单随时间的变化。
2017-04-12 q-fin.MF q-fin.TR
A Gabor--Epps uncertainty principle for traders
University of Cape Town（开普敦大学）
提出适用于实际交易的加博尔 - 埃普斯不确定性原理，核心是高频相关性通过市场活动等解决，给出六条经验法则，指出在不同时间尺度下定位与依赖的关系及风险。
2026-07-07 q-fin.TR
Cooperation between Independent Market Makers
随着金融市场的数字化，交易商越来越多地通过算法来处理做市活动。最近的反垄断文献引起了对人工智能引起的共谋的关注。本文研究了做市商之间通过独立Q学习进行合作的可能性。将具有库存风险的做市定价问题描述为一个重复的一般和博弈。在猎鹿型回报下，我们发现做市商可以在没有沟通的情况下学习合作策略。一般来说，即使最低点差是唯一的纳什均衡，高点差也可能具有最大的概率。此外，在游戏中引入更多的代理人并不一定会消除超竞争价差的存在。
2022-06-11 q-fin.TR
Wasserstein Robust Market Making via Entropy Regularization
本文提出一种基于Wasserstein距离和熵正则化的鲁棒做市框架，证明该问题可转化为凸优化，并给出了Wasserstein球最优半径的选择方法。
2025-03-06 q-fin.MF q-fin.TR
Spread, volatility, and volume relationship in financial markets and market making profit optimization
我们研究了价差、波动性和交易量之间的关系。我们发现，价差的形成是订单流动性和订单影响相互作用的结果。当交易量较小时，增加更多的流动性有助于提高价格准确性并减少价差，但在某个时候，额外的流动性开始恶化价格。该模型允许连接的买卖价差和高低酒吧可测量的微观结构参数，并表示其依赖于交易量，波动性和时间范围。利用建立的关系，我们解决了最大化做市利润的操作价差优化问题。
2016-06-23 q-fin.PR q-fin.TR
Market Making and Transient Impact in Spot FX
HSBC（汇丰银行）
本文研究外汇市场中做市商在考虑风险管理和市场影响时的最优策略，探讨瞬时影响与永久影响之间的平衡。
2026-06-05 q-fin.MF q-fin.TR
Integrating Tick-level Data and Periodical Signal for High-frequency Market Making
The Hong Kong University of Science and Technology（香港科技大学）
针对高频交易中做市策略开发因数据量庞大而面临挑战的问题，提出一种融合Tick级数据与周期性预测信号的深度强化学习方法，在加密货币市场实验中其盈利与风险管理均优于现有方法。
2023-06-19 cs.AI cs.CE cs.LG
Deep Hawkes Process for High-Frequency Market Making
高频做市是一种提供流动性的交易策略，它同时产生许多出价，并以超低延迟要求证券，同时保持相对中立的立场。该策略通过每笔买卖交易的买卖价差获利，对抗逆向选择风险、不确定执行风险和库存风险。我们设计了现实的模拟限价订单市场，并开发了一个高频率的市场决策策略，在该策略中，代理商处理订单簿信息，以发布最佳价格，订单类型和执行时间。通过将Deep Hawkes过程引入到高频做市策略中，我们允许在订单到达和限价订单簿状态之间创建一个反馈回路，以及自激励和交叉激励效应。我们的高频做市策略考虑到了影响订单队列位置、盈利能力、买卖价差和订单价值的订单取消。实验结果表明，我们的交易代理优于基线策略，它使用的基本价格的概率密度估计。我们研究了取消对市场质量和代理商盈利能力的影响。我们验证如何密切的模拟框架近似现实再现风格化的事实，从模拟订单数据的实证分析。
2021-09-30 cs.CE q-fin.TR
An approximate solution for options market-making in high dimension
管理一本关于几个标的的期权书涉及到控制数千种金融资产的头寸。它是最具挑战性的金融问题之一，涉及定价和微观结构建模。期权做市商必须管理具有非常不同动态的长期和短期期权。特别是，短期期权库存不能作为汇总库存的一部分进行管理，这就阻止了使用降维技术，如因子方法或一阶希腊近似。在本文中，我们表明，一个简单的分析近似的做市商的问题的解决方案提供了显着更高的灵活性比现有的算法设计选项做市策略。
2020-09-02 q-fin.MF q-fin.TR
Market Making via Reinforcement Learning
University of Liverpool（利物浦大学）；Stratagem Technologies Ltd（斯特拉塔吉姆科技有限公司）；University College London（伦敦大学学院）
做市是一个基本的交易问题，其中代理人通过不断提供购买和出售证券来提供流动性。由于存在库存风险、积累不利头寸并最终亏损的风险，这一问题具有挑战性。在本文中，我们开发了一个高保真的模拟限价委托书市场，并使用它来设计一个做市代理商使用时间差强化学习。我们使用瓦片编码的线性组合作为一个价值函数近似，并设计了一个自定义的奖励函数，控制库存风险。我们证明了我们的方法的有效性，表明我们的代理优于简单的基准策略和最近的在线学习方法从文献。
2018-04-11 cs.AI q-fin.TR
Optimal market making with persistent order flow
\noindent我们在考虑市价订单流的集群和长记忆特性的情况下，解决了电子市场上的做市问题。考虑了一个做市商和订单流由一般Hawkes过程驱动的市场模型。我们将做市商的目标问题表述为一个随机控制问题。通过证明相应的哈密顿-雅可比-贝尔曼方程粘性解的存在唯一性，刻画了最优控制的特征.最后，我们提出了一个完全一致的数值方法，允许在实践中实现这一最优策略。
2020-10-26 math.OC math.PR q-fin.RM
Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model
University of Zagreb（萨格勒布大学）；Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程与计算学院）
最优做市的随机控制问题是量化金融的核心问题之一。在本文中，基于深度强化学习的控制器进行训练的弱一致，多变量霍克斯过程为基础的限价订单簿模拟器，以获得做市控制。该方法充分利用了蒙特卡罗回测的优点，有助于弱一致限价订单簿模型下做市的研究。随后的深度强化学习控制器与多个做市基准进行了比较，结果表明其在各种风险回报指标方面具有优异的性能，即使在显著的交易成本下也是如此。
2022-07-20 cs.LG q-fin.GN q-fin.TR
Reinforcement Learning-Based Market Making as a Stochastic Control on Non-Stationary Limit Order Book Dynamics
Institute of Mathematics and Computer Sciences University of São Paulo（数学与计算机科学学院 São Paulo 大学）
本文提出基于PPO算法的强化学习做市代理，通过模拟器环境评估其在非平稳市场中的表现，验证其有效性及模拟器的实用性。
2026-02-14 cs.AI q-fin.TR
Optimizing Market Making using Multi-Agent Reinforcement Learning
本文将强化学习应用于做市优化问题。一个多智能体强化学习框架被用来最佳地放置限价订单，导致成功的交易。该框架由两个代理组成。宏观主体优化购买、出售或持有资产的决策。微代理优化在限价订单簿内下限价订单。在本文的背景下，所提出的框架在比特币加密货币市场上应用和研究。本文的目的是表明强化学习是一种可行的策略，可以应用于复杂的问题（复杂的环境），如做市。
2018-12-26 cs.LG q-fin.TR stat.ML
Option market making with hedging-induced market impact
Laboratoire de Mathématiques et Modélisation d’Évry, Université Évry Paris-Saclay（埃夫里-萨克莱大学数学与建模实验室）；Exiom Partners（Exiom 合伙人）；UMR 8071 CNRS（法国国家科学研究中心联合研究单位 8071）；Université Paris-Saclay（巴黎萨克雷大学）；ENSIIE（法国国立信息与安全工程学院）
本文建立了一个期权做市模型，其中做市商的对冲活动对标的资产产生价格冲击，通过Cox过程建模期权订单流，并研究反馈导致的操纵与套利现象，最终通过策略优化数值方法近似最优策略。
2026-04-29 math.PR q-fin.TR
Mandatory Disclosure in Oligopolistic Market Making
Sungkyunkwan University（成均馆大学）；Ulsan National Institute of Science and Technology（蔚山科学技术院）
本文研究强制披露对市场流动性的影响，通过多期Kyle模型分析，发现市场做市竞争程度决定披露的流动性增强效应，实证显示披露减少交易成本，尤其在竞争弱时效果更显著。
2026-04-11 q-fin.MF q-fin.TR
Can maker-taker fees prevent algorithmic cooperation in market making?
在半现实的市场模拟器中，独立的强化学习算法可以帮助做市商即使在没有沟通的情况下也能保持较宽的价差。这一意想不到的结果挑战了现行的反垄断法框架。我们通过算法研究了制造者-接受者费用模型在防止合作方面的有效性。在将做市建模为一个重复的一般和博弈之后，我们通过实验证明了净交易成本与做市商回扣之间的关系不一定是单调的。除了接受者费用的上限，我们可能还需要制造商回扣的下限来破坏合作。我们还考虑了接受者-制造者模型以及中间价格波动、库存风险和代理商数量的影响。
2022-11-01 cs.MA q-fin.TR
Performative Market Making
King’s College London（伦敦国王学院）
本文提出表现性市场做市方法，通过闭环反馈机制使价格更符合主流金融模型，利用闭式解和机器学习实现套利与竞争优势。
2026-02-18 q-fin.MF q-fin.TR
Comparing Prediction Market Structures, With an Application to Market Making
Rensselaer Polytechnic Institute（伦斯勒理工学院）
确保足够的流动性是预测市场设计者面临的主要挑战之一。各种各样的做市算法已经在文献中提出并部署在实践中，但一直很少有努力，以系统的方式来评估其优点和缺点。我们引入了一种新的实验设计，用于比较实时交易中的市场结构，以确保具有相同交易人群的两个不同微观结构之间的公平比较。参与者根据他们在电脑屏幕上观察到的二维随机游走的结果进行交易。它们可以同时在两个市场上交易，对应于独立的水平随机游走和垂直随机游走。我们使用这个实验设计比较流行的库存为基础的对数市场评分规则（LMSR）做市商和一个新的信息为基础的贝叶斯做市商（BMM）。我们的实验表明，BMM可以提供显着的好处，在价格稳定性和预期损失时，控制流动性的警告是，不像LMSR，BMM不保证有界损失。我们的研究还阐明了一些一般性质的做市商在预测市场。特别是，有一个内在的权衡之间的适应性市场冲击和收敛在市场均衡。
2010-09-08 cs.AI cs.CE q-fin.TR
Market making by an FX dealer: tiers, pricing ladders and hedging rates for optimal risk control
针对外汇做市中内部化与外部化风险对冲的两难问题，本文提出兼顾定价与对冲的最优控制框架，为交易商解决“是否对冲”的核心疑问提供方案。
2023-06-15 q-fin.RM q-fin.TR
Risks and opportunities in arbitrage and market-making in blockchain-based currency markets. Part 1 : Risks
本文针对区块链货币市场高频交易的特殊性，系统分析了套利与做市中的主要风险、潜在机遇及常用算法，为相关从业者提供实用指导。
2023-04-17 econ.GN q-fin.EC q-fin.TR
Market making and incentives design in the presence of a dark pool: a deep reinforcement learning approach
我们考虑做市商同时在交易所的明池和暗池中行动的问题。该交易所希望建立一个合适的交易费用政策，以吸引在其场地进行交易。我们首先解决做市商在没有交易所干预的情况下的随机控制问题。然后，我们推导出定义做市商和交易所之间的最优合约的方程。该合约取决于做市商在两个交易场所的活动所产生的交易流量。在这两种情况下，我们显示的存在性和唯一性，在粘性的意义下，哈密顿-雅可比-贝尔曼方程的解决方案，相关的做市商和交易所的问题。最后，我们设计了深度强化学习算法，使我们能够有效地近似做市商的最优控制和交易所提供的最优激励。
2019-12-02 q-fin.MF q-fin.TR
QLAMMP: A Q-Learning Agent for Optimizing Fees on Automated Market Making Protocols
University of Southern California（南加州大学）；BITS Pilani, Goa Campus（博拉理工学院果阿校区）
自动做市商（AMM）已经巩固了自己作为去中心化金融（DeFi）领域不可或缺的一部分。AMM是一种交易所，允许用户在不需要集中交易所的情况下交易资产。它们构成了许多去中心化交易所（DEX）的基础，有助于促进链上代币的快速有效交换。目前所有流行的DEX都是静态协议，具有控制费用和曲率的固定参数-它们具有不变性，无法适应快速变化的市场条件。这一特点可能会导致交易者在难以控制的市场波动所带来的高滑点条件下远离。我们提出了一个RL框架来优化AMM协议上收取的费用。特别是，我们开发了一个Q-学习代理做市协议（QLAMMP），学习最佳的费率和杠杆系数为给定的AMM协议，并最大限度地提高预期的费用在一系列不同的市场条件下收集。我们表明，QLAMMP始终能够在所有模拟测试条件下优于其静态同行。
2022-11-28 cs.LG q-fin.TR
Macroscopic Market Making
提出基于连续过程的宏观做市模型，弥合做市与最优执行问题，并通过HJB方程等证明最优控制存在唯一性。
2025-04-06 q-fin.MF q-fin.TR
Deep reinforcement learning for market making in corporate bonds: beating the curse of dimensionality
在主要为场外交易市场的公司债券市场中，做市商发挥着核心作用，向全球各地的资产管理公司提供大量债券的买入价和卖价。确定做市商应该为给定的债券范围设定的最佳买入和卖出报价是一项复杂的任务。有用的模型存在，其中大部分是受Avellaneda和Stoikov的启发。这些模型描述了做市商所面临的复杂优化问题：以最佳方式提出买入价和卖价，以便从买入价和卖价之间的差异中赚钱，同时减轻与持有库存相关的市场风险。虽然大多数模型只处理单一资产做市，但它们通常可以推广到多资产框架。然而，数值求解方程的最优出价和要价报价的问题很少在文献中处理，特别是在高维。在本文中，我们的目标是提出一个数值方法近似的最优出价和要价在一个大宇宙的债券模型à la Avellaneda-Stoikov。因为我们的目标是考虑一个大的宇宙的债券，经典的有限差分法，如文献中讨论的那些不能使用，因此，我们提出了一个离散时间的方法，灵感来自强化学习技术。更准确地说，我们提出的方法是一种基于模型的演员-评论家算法，涉及深度神经网络。
2019-10-29 q-fin.CP q-fin.TR
Reinforcement Learning for Market Making in a Multi-agent Dealer Market
JPMorgan AI Research（摩根大通人工智能研究院）；JPMorgan Quantitative Research（摩根大通量化研究部）
做市商通过不断提供他们愿意买卖的价格和管理库存风险，在为市场提供流动性方面发挥着重要作用。在本文中，我们建立了一个经销商市场的多智能体模拟，并证明它可以用来理解基于强化学习（RL）的做市商代理的行为。我们使用模拟器训练一个基于RL的做市商代理不同的竞争场景，奖励配方和市场价格趋势（漂移）。我们表明，强化学习代理能够了解其竞争对手的定价政策;它还学会通过巧妙地选择买卖双方的不对称价格（偏斜）来管理库存，并根据市场价格漂移是否为正（或负）来维持正（或负）库存。最后，我们提出并测试奖励配方创建风险厌恶RL为基础的做市商代理。
2019-11-14 cs.LG cs.MA q-fin.TR
Market Making with Scaled Beta Policies
University of Liverpool（利物浦大学）；L3S Research Center（L3S研究中心）；Leibniz University Hannover（汉诺威莱布尼茨大学）
本文提出了一种新的表示做市商在订单驱动市场中的行为。这种表示使用标度贝塔分布，并概括了人工智能做市文献中采取的三种方法：单一价格水平选择，阶梯策略和“触摸式做市”。阶梯策略在一个连续的价格区间内放置统一的交易量。基于比例贝塔分布的政策概括了这些，允许交易量在价格区间上倾斜。我们证明，这种灵活性是有用的库存管理，所面临的做市商的关键挑战之一。在本文中，我们进行了三个主要的实验：首先，我们比较我们更灵活的β为基础的行动与特殊情况下的阶梯策略;然后，我们调查的性能简单的固定分布;最后，我们设计和评估一个简单而直观的动态控制策略，调整行动在一个连续的方式，根据签署的库存，做市商已经获得。所有的经验评估都使用了基于历史数据的高保真限价订单簿模拟器，每边有50个级别。
2022-09-27 cs.AI cs.LG q-fin.TR
An Impulse Control Approach to Market Making in a Hawkes LOB Market
本文研究Hawkes过程模拟的LOB市场中的最优做市问题，在脉冲控制框架下通过双网络PPO结合自模仿学习的RL方法求解高维HJB-QVI，实现超30的夏普比率，并验证了脉冲控制与深度RL结合解决跳跃驱动市场执行问题的潜力。
2025-10-31 q-fin.CP q-fin.TR
When does the tail wag the dog? Curvature and market making
2020年下半年，Uniswap、Curve和Balancer等恒定功能做市商（CFBs）的流动性和交易活动显著增长。这些协议的大部分增长都是由激励池或“收益农场”推动的，这些协议奖励加密资产的参与者为CFTC提供流动性。因此，CFTC和相关协议在历史上是非常小的市场，现在构成了大量加密资产的最具流动性的交易场所。但CFMM成为最具流动性的市场意味着什么？在本文中，我们提出了一个基本的定义价格敏感性和流动性。我们表明，这个定义是密切相关的曲率的CFMM的交易功能，可以用来解释一些启发式的结果。例如，我们表明，低曲率市场对市场价值近似固定的货币有利，而当交易者具有信息优势时，高曲率市场对流动性提供者更有利。此外，研究结果还可用于模拟相互作用的市场，并解释激励性流动性供给（也称为“产量耕作”）的兴起。'
2020-12-15 q-fin.MF q-fin.TR
When AI Trading Agents Compete: Adverse Selection of Meta-Orders by Reinforcement Learning-Based Market Making
JP Morgan（摩根大通）
研究基于Hawkes LOB模型与脉冲控制强化学习框架，探讨了高频做市商对中频交易者meta订单的不利选择机制，发现RL代理能利用meta订单引起的价格漂移获利，
2025-10-31 cs.LG q-fin.TR
Market Making with Fads, Informed, and Uninformed Traders
Politecnico di Milano（米兰理工大学）；University of Oxford（牛津大学）
研究在知情和不知情交易者并存的市场中，做市商的最优流动性提供问题，通过连续时间模型刻画了资产价格短期偏离（潮流）的影响，并比较了完全信息与部分信息下的最优策略。
2026-06-25 q-fin.MF q-fin.TR
Adaptive Multi-Strategy Market-Making Agent For Volatile Markets
加密货币市场的不确定性促使人们需要找到适应性的解决方案，以最大限度地提高收益，或者至少避免在整个交易活动期间的损失。鉴于该领域中状态-动作空间的高维性和复杂性，可以将其视为目标和环境范围与金融市场绑定的“狭义AGI”问题。自适应多策略代理方法做市引入了一种新的解决方案，以最大限度地提高积极的“阿尔法”在长期处理限价订单簿（LOB）的立场，通过使用多个子代理实现不同的战略与这些代理的动态选择的基础上不断变化的市场条件。AMSA本身并无提供特定策略，但负责将做市活动期间划分为较小的执行子期间、对各子期间的历史数据进行内部回溯测试、进行子代理表现评估并于各子期间结束时重新选择子代理，以及逐步收集回报及亏损。通过这种方法，回报率成为超参数的函数，如市场数据粒度（刷新率），执行子周期持续时间，活动子代理的数量及其各自的策略。下一个交易子周期的子代理选择是基于内部回测和真实交易期间获得的回报/损失和阿尔法值。在不同的市场条件下，根据历史数据进行了AMSA实验，并证明在适当选择超参数的情况下，在整个交易活动期间，正alpha的概率很高。
2022-04-28 cs.CE cs.MA q-fin.TR
Optimal Market Making in Prediction Markets
University of Konstanz（康斯坦茨大学）；University of Waterloo（滑铁卢大学）
研究预测市场中的最优做市问题，开发随机控制框架，将市场价格建模为条件概率，推导方程并刻画最优报价，经变换证明解的存在唯一性，通过数值分析揭示其依赖因素，还表明该策略能改善下行保护并保留预期利润。
2026-07-21 math.OC q-fin.MF q-fin.TR
